数字减影血管造影(DSA)通过从动态血管造影中减去掩膜图像来生成图像。掩模图像是在成像期间造影剂到达血管之前获得的背景图像。动态血管造影图像是源图像中的实时图像，其中包含正常血管的背景图像。在脑血管区域，DSA由于难以区分颅骨中的高衰减信号和血管区域中造影剂浓度的增加，因此其对于干预至关重要。在该区域中，即使最轻微的位置误配也可导致密集的伪影，进一步干扰血管的识别甚至导致操作失败。

DSA的主要问题是动态图像和掩模图像的未对准导致的套准误配伪影，该问题主要由患者的运动造成。在急诊过程中，例如脑出血或脑梗塞所需要的急诊护理通常很难使患者保持静止。这些伪影不仅会影响血管的显示，有时甚至需要对患者进行镇静以重新成像，使得造影剂剂量和放射线暴露的增加，最终导致手术延迟，影响预后。

深度学习（DL）的最新进展以应用于影像学的多个领域，其中涉及可提取图像特征的生成对抗网络的应用。据我们所知，尚无研究报道有关生成无临床显著伪影的类DSA图像的模型。

近日，发表在Radiology杂志的一项研究训练和验证一个基于DL的模型，该模型可从动态血管造影直接生成DSA样脑血管造影，并通过定量及视觉评估评价该血管造影的临床价值，为临床提供一个不仅可与DSA图像相媲美且无误配伪影的成像手段。

本研究对2019年1月至2019年4月期间连续收集的动态和DSA图像进行了回顾性模型开发和验证研究。首先，两名放射科医生对每个病人的血管造影图像进行分类，并将其归类到误配测试数据集中。无误配的血管造影图像以8:1的比例分为开发和外部测试数据集。开发数据集以3:1的比例分为训练数据集和验证数据集。利用训练数据集建立DL模型，与验证数据集进行调整，然后与外部测试数据集进行定量评估，与误配测试数据集进行可视化评估。定量评价采用混合线性模型的峰值信噪比(PSNR)和结构相似度(SSIM)。视觉评估采用数值评定量表进行。

训练、验证、未误配测试和误配测试数据集分别包括10751、2784、1346和711对配对图像，图像来自40位患者(平均年龄62岁±11[标准差];33位女性)。在定量评价中，DL生成血管造影的平均PSNR值为40.2 dB±4.05，平均SSIM值为0.97±0.02，与配对DSA图像吻合度高。在视觉评估中，所有24个序列的DL生成血管造影的中位数评分与原始DSA图像相似或更好。

图 64岁男性，脑动脉瘤病史，无误配的原始数字减影血管造影(DSA)和DL生成的血管造影图像。脉期、毛细血管期和静脉期的源图像、DSA图像和DL生成图像。定量评价时，每个DL生成血管造影的峰值信噪比和结构相似度分别为46.0和0.99，44.1和0.99，42.7和0.98。从所包含的误差图可以看出，传统DSA和DL生成的血管造影图像几乎完全相同。

表1 使用验证和非误配测试数据集定量评价PSNR。

表2 使用验证和非误配测试数据集定量评价SSIM。

本研究开发了一个可创建没有临床显著误配伪影的脑血管造影图像的深度学习(DL)模型，该模型的结果在定量和视觉分析中都得到了高度评价。由于数字减影血管造影的误配错误可能需要重新成像，因此该模型的应用减少了误配错误的发生率，进一步减少了造影剂的使用和患者的辐射暴露，因此有助于介入诊疗过程中不间断的显影及操作，为医生及患者提供技术上的支持及安全上的保障。

原文出处：

Daiju Ueda,Yutaka Katayama,Akira Yamamoto, et al.Deep Learning-based Angiogram Generation Model for Cerebral Angiography without Misregistration Artifacts

.DOI:10.1148/radiol.2021203692